3.2.1. A simulação estocástica de sistemas dinâmicos
A simulação estocástica de sistemas dinâmicos, em tempo discreto ou contínuo, é uma téc-
nica que visa obter um histórico sobre as variações sofridas por algumas variáveis de interesse
quando os dados de entrada ou os parâmetros do sistema são alterados(PORTEUS, 1990). É uma
técnica bastante poderosa, e, não raro, é a única forma de resolver numericamente um problema
intratável de forma algébrica. Do ponto de vista deste trabalho, as variáveis de entrada são as
demandas do varejista Df=retailer
d=[1···360]. A partir destas demandas, que se propagam à montante na ca-
deia de suprimentos (CS), os processos de planejamento de produção (Manufacturing Resource
Planning(MRP)) e de demanda passam a gerar ordens.
3.2.2. Dados da pesquisa
A demanda
Os dados primários da pesquisa são os dados de demanda do verejista (Df=retailer
d=[1···360]), que foram
gerados de duas formas:
Dd=[1···360]f=retailer
=
N(µ = 350, σ = 50)
demanda estocástica normalmente distribuída
µ= 350
demanda constante = 350un.
Foi utilizada uma distribuição normal cuja média e desvio-padrão podem ser configurados na
planilha de parâmetros do modelo. Nas simulações feitas, adotou-se uma média de 350 un com
desvio-padrão de 50 unidades, conforme se mostra na tabela de parâmetros 9.
A demanda simulada do varejista gera ordens que vão se propagando como demandas à
montante na cadeia de suprimentos. Nas fábricas a demanda de produtos finais gera a demanda
de matérias primas de acordo com a composição do produto, seguindo um modelo MRP, ou
seja, planejamento de recursos de manufatura conforme mostrado na figura 12.
Os resultados
A demanda simulada para os varejistas, que se propaga ao longo da cadeia, segundo o modelo
de simulação descrito a seguir, gera um conjunto de dados de saída que serão utilizados para
avaliar o impacto dos diferentes parâmetros sobre o lucro e os custos, além dos níveis médios
de estoques e outras variáveis de interesse, como mostra a tabela 4.
Tabela 4. – Tabela de variáveis de saída
Receita com vendas ($):
RTS1, RTS2, RTF, RTD, RTR, RTTotal
CMV ($):
CMVS1, CMVS2, CMVF, CMVD, CMVR, CMVTotal
Gastos Fixos ($):
OCS1, OCS2, OCF, OCD, OCR, OCTotal
Gastos financeiros ($):
CFS1, CFS2, CFF, CFD, CFR, CFTotal
Lucro ($):
LTS1, LTS2, LTF, LTD, LTR, LTTotal
Fornecedores ($):
PGS1, PGS2, PGF, PGD, PGR, PGTotal
Clientes ($):
RCS1, RCS2, RCF, RCD, RCR, RCTotal
Estoque médio (MP + PA) ($):
STKS1, STKS2, STKF, STKD, STKR, STKTotal
NCG ($):
WCNS1, WCNS2, WCNF, WCND, WCNR, WCNTotal
Vendas perdidas (un):
LS_UNS1, LS_UNS2, LS_UNF, LS_UND, LS_UNR, LS_MNTotal
Vendas perdidas ($):
LS_UMS1, LS_UMS2, LS_UMF, LS_UMD, LS_UMR, LS_UMTotal
Custos transporte PA ($):
TP_PAS1, TP_PAS2, TP_PAF, TP_PAD, TP_PAR, TP_PATotal
Custos transporte MP ($):
TP_MPS1, TP_MPS2, TP_MPF, TP_MPD, TP_MPR, TP_MPTotal
3.2.3. Modelo de simulação
O modelo de simulação baseia-se numa cadeia de suprimentos hipotética conforme mostrado
na figura 10.
Esta cadeia de suprimentos pode ser modelada como uma rede onde cada nó tem dois tipos
básicos: o industrial e o comercial. O nó industrial é mostrado na figura 6. Na revisão de litera-
Figura 6. – Nó que representa um processo de produção de um produto, que recebe insumos
(I1, I2, . . . , Ii), os transforma em produto P1através do processo PR1e o vende
(O1, O2, . . . , Oo) para os consumidores através do processo PR2.
tura que foi feita pôde-se observar que esta idéia de modelagem fractal surge, até onde se pôde
perceber, com o trabalho de Ryu et al. (2012).
Além do nó industrial, o outro nó diz respeito ao processamento e controle dos processos.
É chamado de Unidade de Controle e Processamento de dados (UCP), conforme mostra a fi-
gura 7. Sua finalidade é processar os dados internos e externos, de acordo com determinados
parâmetros, produzindo como saída informações processadas (selecionadas, agrupadas, anali-
sadas, etc) para outros nós da rede. No caso de um microempreendedor individual, em que o
proprietário cuida de todos os assuntos, ele seria o nó UCP desta empresa
Observe-se que estes nós são fractais pois a rede resultante apresenta autosimilaridade, isto
Figura 8. – Nó que representa um processo de produção de um produto, que recebe insumos
(I1, I2, . . . , Ii), os transforma em produto P1através do processo PR1e o vende
(O1, O2, . . . , Oo) para os consumidores através do processo PR2.
é, cada nó pode ser composto de um ou mais nós iguais a todos os outros. Daí toda uma de-
terminada cadeia de suprimentos pode ser modelada como um grande nó composto por outros
tantos nós iguais a estes. A grande vantagem de uma modelagem fractal é que o tratamento
matemático fica mais simples e confiável, além de permitir insights interessantes. Cada nó pode
ser visto como uma caixa-preta, como mostra a figura 8
Modelando-se a CS da figura 10 a partir dos blocos construtivos já mostrados, temos a figura
11, que mostra a CS como constituída dos mesmos blocos, e assim sucessivamente, de maneira
auto-similar.
3.2.4. Os módulos de controle de estoque (MP e PA), MPR, fluxo de caixa e previsão de
vendas, em quatro regimes de consignação
A conservação dos estoques
Tanto os estoques de matérias-primas, de produtos em produção, quanto o de produtos acaba-
dos, tanto os em estoque quanto os que estão consignados, são controlados segundo a fórmula
básica:
Figura 9. – Rede fractal de nós que representa uma indústria que produz dois produtos nos seus dois
processos industriais (UI1e UI2).
Figura 11. – Rede de nós do tipo mostrado anteriormente, representando o nível mais elevado, que é o
da cadeia de suprimentos.
A conservação dos fluxos de caixa
Cd=n,p=p= Cd=(n−1),p=p+ EntCashd=n,p=p− SaiCashd=n,p=p
(3.2)
EntCashd=n,p=p=
∑
Evento1
recebimento de vendas à prazo
Evento2
recebimento de vendas em consignação
Evento3
empréstimo bancário.
(3.3)
No documento
Gestão logística integrada à gestão de capital de giro de uma cadeia de suprimentos:...
(páginas 40-45)